基于用户属性偏好和共同评分的协同过滤算法研究

发布时间：2021-06-13 23:52

　　随着Web 3.0时代的到来,“信息迷航”问题迫在眉睫。推荐系统是诞生于分类目录和搜索引擎之后的第三种处理信息过载问题的方法。它通过分析用户历史行为来挖掘用户兴趣,从而满足用户个性化的需求。协同过滤推荐算法是推荐领域的重要算法,它利用目标用户所处集群的集体智慧,给目标用户推荐。由于算法原理简单、易于实现,在商业得到广泛应用,但算法仍面临一些问题:1)在数据稀疏情况下,由于低精度的相似性计算导致的推荐准确度不高;2)仅仅依靠用户评分数据计算用户相似度,而忽略了项目属性特征对用户兴趣偏好的影响;3)缺乏对时间效应所带来的用户兴趣迁移的考虑,导致算法不能适应随时间变化的用户兴趣情况。这些都是阻碍推荐算法性能提升的因素,因此,本文基于以上问题对协同过滤算法中的相似性度量展开研究。（1）本文设计了一种考虑用户属性偏好的相似性度量模型,将项目属性引入推荐算法的相似度计算中,作为影响用户兴趣的重要因素。由于用户对项目的评分是用户对项目各个属性偏好综合评估的结果,本文将用户对于项目的评分映射为用户对各个属性的评分,利用各评分值计算用户对属性的兴趣度,从而建立相对稠密的用户-属性偏好矩阵,利用余弦相似性... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

推荐系统基本任务

推荐系统结构

推荐系统的分类推荐系统除了图2.2中列举的推荐类型，还有基于知识的推荐[29]

【参考文献】：
期刊论文
[1]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海.  计算机学报. 2010(08)
[2]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏.  自然科学进展. 2009(01)
[3]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)
[4]个性化推荐算法设计[J]. 赵亮,胡乃静,张守志.  计算机研究与发展. 2002(08)



本文编号：3228606